RAG и векторный поиск: задачи на эмбеддинги и FAISS
Проверьте, как устроен поиск по векторным представлениям: от различия метрик до выбора фрагментов для ответа. Подборка состоит из восьми проверяемых вопросов и не требует обращения к платному API.
Что стоит разобрать
Сначала разделите направление и длину вектора, статическое и контекстное представление слова. Затем проверьте согласованность кодирования запроса и документов, нормализацию и выбор метрики индекса.
Вопросы FAISS разбирают изменение массива in-place, поиск кандидатов и сжатие остаточных векторов. В parent-child chunking разделите размер фрагмента для поиска и размер контекста для ответа: хорошая близость векторов ещё не гарантирует полезный ответ.
Упражнения
- embed_query и embed_documents: в чём разница
- normalize_embeddings: косинусное сходство и dot product
- FAISS normalize_L2: что означает изменение массива in-place
- LangChain FAISS: фильтр метаданных в similarity_search
- Parent-child chunking в RAG: маленькие и большие чанки
- FAISS IndexIVFPQ: зачем кодировать остаточные векторы
- Косинусное сходство или евклидово расстояние: тест
- Word2Vec и BERT: чем отличаются представления слова
Каждое упражнение проверяется без регистрации.
От вопросов о поиске — к RAG-проекту
Если нужна системная практика на Python, продолжение — платный курс RAG и векторных баз данных. В нём разбираются Qdrant, FAISS, Weaviate, гибридный поиск и оценка качества; итоговые работы — API поиска и бот по своим данным. Здесь можно проверить отдельные понятия до выбора программы.
- embedquery и embeddocuments: в чём разница
Разберите раздельное кодирование запроса и документов в семантическом поиске. Задача RAG с проверкой ответа.
Vector DB & RAG Developer - normalizeembeddings: косинусное сходство и dot product
Определите, как нормализация эмбеддингов упрощает вычисление близости. Бесплатная задача по векторному поиску.
Vector DB & RAG Developer - FAISS normalizeL2: что означает изменение массива in-place
Разберите нормализацию векторов FAISS и изменение исходного массива. Практический вопрос с проверкой ответа.
Vector DB & RAG Developer - LangChain FAISS: фильтр метаданных в similaritysearch
Разберите фильтрацию найденных документов по метаданным и влияние числа кандидатов. Задача RAG с проверкой.
Vector DB & RAG Developer - Parent-child chunking в RAG: маленькие и большие чанки
Зачем искать по маленьким фрагментам, а модели отдавать больший контекст? Задача RAG с проверкой ответа.
Vector DB & RAG Developer - FAISS IndexIVFPQ: зачем кодировать остаточные векторы
Проверьте понимание residuals в IVF и Product Quantization. Бесплатная задача по индексам векторного поиска.
Vector DB & RAG Developer - Косинусное сходство или евклидово расстояние: тест
Проверьте, что меняется при сравнении текстовых эмбеддингов: направление вектора, его длина и выбор метрики.
Vector DB & RAG Developer - Word2Vec и BERT: чем отличаются представления слова
Один вектор на слово или представление с учётом контекста: проверяем ключевое различие Word2Vec и BERT.
Vector DB & RAG Developer
